109

Artículo Revista de Aplicaciones de la Ingenieria

Diciembre 2016 Vol.3 No.9 109-116

Interface De Comunicación Remota Entre Un Sistema Clasificador De Ondas

Cerebrales Y Un Robot Móvil
JUÁREZ-Moreno, Iván†*, MARÍN-URÍAS, Luis, VÁZQUEZ-SANTACRUZ, J. Alejandro y
VIGUERAS-ZÚÑIGA, Marco.
Universidad Veracruzana, Lomas del estadio s/n, Edificio «A», 3er. Piso, C.P. 91000, Veracruz, México.
Recibido Octubre 17, 2016; Aceptado Noviembre 22, 2016
___________________________________________________________________________________________________

Resumen Abstract

La teleoperación de robots permite al humano alcanzar
lugares de difícil acceso tales como profundidades
marinas mayores a 20 mts., cercanías de volcanes, minas,
etc. Hoy en día ésta acción se lleva a cabo por medio de
controles electrónicos físicos, como joystick, sin
embargo, se necesita de mucho entrenamiento por parte
del humano para controlar dichos dispositivos debido a la
complejidad de operación. Para poder teleoperar robots
de una manera más natural surge la idea de desarrollar un
sistema clasificador de ondas cerebrales, con base en
datos estadísticos, que envíe comandos generados de
intenciones de movimiento humanas, de esta manera se
pretende proporcionar de una manera de controlar los
movimientos de los robots en diferentes entornos más
entendible y sin necesidad de mucho entrenamiento por
parte del operador. El trabajo que se presenta propone
todo un framework para poder llevar a cabo un control
remoto de un robot móvil por medio de un clasificador de
ondas cerebrales, obteniendo comandos de movimiento;
lo anterior se hace por medio de tecnologías libres lo que
lo convierte en una herramienta robusta, confiable y en
un futuro al alcance de aquellas personas que la
requieran.
Teleoperation of robots allows humans to reach
inaccessible places such as water depths greater than 20
m., Near volcanoes, mines. Etc. Today this action is
carried out by physical electronic controls, such as levers,
however much training is needed by humans to control
these devices due to the complexity of operation. To
teleoperate robots in a more natural way arises the idea of
developing a classifier brainwave system, based on
statistical data, send generated commands intentions of
human movement, thus is intended to provide a way to
control the movements robots in different and more
understandable without much training by the operator
environments. The work presented proposes an entire
framework to carry out a remote control of a mobile
robot using a classifier brainwave, obtaining movement
commands; this is done through free technologies making
it a robust, reliable and future tool available to those who
require it.
Daylighting, diagram of hygro-thermal comfort
and energy benefits.

Teleoperación, tecnologías libres, tecnología

industrial, tecnología médica

___________________________________________________________________________________________________

Citación: JUÁREZ-Moreno, Iván, MARÍN-URÍAS, Luis, VÁZQUEZ-SANTACRUZ, J. Alejandro y VIGUERAS-

ZÚÑIGA, Marco. Interface De Comunicación Remota Entre Un Sistema Clasificador De Ondas Cerebrales Y Un Robot
Móvil. Revista de Aplicaciones de la Ingeniería 2016, 3-9: 109-116
___________________________________________________________________________________________________

___________________________________________________________________________________________________
* Correspondencia al Autor (Correo Electrónico: dijuarezm@gmail.com)
† Investigador contribuyendo como primer autor.

© ECORFAN-Bolivia www.ecorfan.org/bolivia

Artículo
Introducción
La vida moderna está rodeada de tecnología, la
cual ha permitido realizar con menor tiempo y
esfuerzo muchas de las actividades cotidianas,
como es el poder comunicarse a distancia
mediante un teléfono celular, realizar
entrenamientos virtuales quirúrgicos, como lo
cita el autor (C. Monserrat, 2002), manipular
robots a distancia con joystick para poder
mover o trasportar objetos de mucho peso o
incluso materiales peligrosos (radioactivos,
explosivos, etc.). A medida que la robótica
avanza el hombre encuentra cada vez más
aplicaciones para los robots. Cada vez son más
frecuentes las situaciones en donde se requiere
la manipulación de un objeto o substancias
peligrosas. Los robots de sus inicios han estado
confinados en trabajar en fábricas, donde han
sido de gran utilidad debido a su capacidad de
realizar actividades repetitivas con un gran
desempeño, rapidez y uniformidad, todas estas
características superiores al humano.
En 1948 R.C. Goertz, del Argonne
National Laboratory, desarrolló, con el objetivo
de manipular elementos radioactivos sin riesgo
para el operador, el primer tele-manipulador.
Éste consistía en un dispositivo mecánico
maestro esclavo. El manipulador maestro
reproducía fielmente los movimientos de éste.
El operador, además de poder observar a través
de un grueso cristal el resultado de sus
acciones, sentía a través del dispositivo
maestro, las fuerzas que el esclavo ejercía sobre
el entorno. La teleoperación de robots, describe
la clase de sistemas robóticos que son
remotamente controlados por seres humanos.
Los robots teleoperados se diferencian de los
robots autónomos, ya que estos no requieren de
la intervención humana para completar su tarea.
Algunos robots teleoperados pueden tener un
considerable grado de autonomía local.
ISSN-2410-3454
ECORFAN® Todos los derechos reservados
110
Revista de Aplicaciones de la Ingenieria
Diciembre 2016 Vol.3 No.9 109-116
En consecuencia, se libera al operador
humano de decisiones de un nivel de control
bajo.
A finales de los años sesenta y
principios de los setenta, la tecnología de la
teleoperación alcanzó su mayoría de edad con
su utilización en aplicaciones espaciales.
Aparecieron nuevos retos y problemas como lo
cita el autor (T.B., 1993), siendo de especial
relevancia la existencia de retrasos temporales
en la comunicación entre la zona local y la zona
remota. Con todos los avances tecnológicos se
puede dar un enfoque diferente al de la
industria, la milicia, el espacio que es donde
más se ha enfocado la teleoperación de robots,
el enfoque a dar sería la medicina, por ejemplo,
con el simple hecho de dar movilidad a una silla
de ruedas, la cual se pueda teleoperar con un
dispositivo neurólogo remoto, este tipo de
funcionalidades podrían ser de mucha utilidad a
personas parapléjicas, personas que nacen sin
extremidades y a cualquier otra persona que
tenga un caso médico similar. En este trabajo se
presentará el desarrollo de una interface de
comunicación remota por medio de una VPN
entre un sistema clasificador de ondas
cerebrales y un robot móvil; todo esto
desarrollado con software libre.
Pruebas y análisis de resultados del sistema
BCI
Las señales adquiridas fueron de personas sanas
del género masculino. Para la toma de lecturas
se encontraron sentados en una silla, de frente
al equipo de cómputo ya descrito y con una
diadema neuronal (véase figura 1).
JUÁREZ-Moreno, Iván, MARÍN-URÍAS, Luis, VÁZQUEZ-
SANTACRUZ, J. Alejandro y VIGUERAS-ZÚÑIGA, Marco.
Interface De Comunicación Remota Entre Un Sistema Clasificador De
Ondas Cerebrales Y Un Robot Móvil. Revista de Aplicaciones de la
Ingeniería 2016

Artículo
Figura 1 Diadema Emotiv EPOC para adquisición de
señales cerebrales (emotiv, 2013)
Se les coloca la diadema Emotiv Epoc
correctamente. Se les indica que se pusieran
cómodo a los sujetos en turno (véase figura 2).
Al inicio del experimento de captura de señales
EEG se les explica la dinámica y secuencia de
la presentación, indicándoles la relación de la
acción mental deben imaginar con la imagen
que se muestra en la presentación.
El tiempo total de la presentación es de
92 segundos, se realizaron en total 21 pruebas.
Figura 2 Realización de experimentos de captura de
datos sujeto
Al guardar la información obtenida del
dispositivo, el siguiente paso es realizar el
conjunto de entrenamiento para posteriormente
realizar pruebas online con el dispositivo y
poder manipular un robot. La actividad cerebral
adquirida por cada sensor es representada de la
siguiente manera:
ISSN-2410-3454
ECORFAN® Todos los derechos reservados
111
Revista de Aplicaciones de la Ingenieria
Diciembre 2016 Vol.3 No.9 109-116
K (vecinos) Efectividad
3 98.40%
3 97.60%
3 96.80%
3 96.00%
Tabla 1 Promedios por serie para cada valor de K
sugerido
Extracción de características
Con el pre-procesamiento se obtuvieron los
segmentos de interés almacenados en tres
archivos, se generó un script encargado de
juntar estos segmentos y pasarle un filtro pasa
alta y pasa baja, con el fin de limpiar nuestra
señal, con esto se concluye la etapa de pre-
procesado y procesado. La siguiente etapa es la
extracción de características. Esta etapa es
probablemente el proceso más importante de
todos. Tiene como objetivo crear una
presentación viable para su uso de la señal
EEG, para asegurar un mejor resultado. En este
proyecto se optó por trabajar con métodos
estadísticos para el análisis de las señales, esto
por su primordial ventaja, el tiempo de
procesamiento y la evaluación de señales son
muy cortos. Las características elegidas son la
desviación estándar y la media aritmética.
Con esta información se procede a crear
el conjunto de entrenamiento (véase figura 3)
JUÁREZ-Moreno, Iván, MARÍN-URÍAS, Luis, VÁZQUEZ-
SANTACRUZ, J. Alejandro y VIGUERAS-ZÚÑIGA, Marco.
Interface De Comunicación Remota Entre Un Sistema Clasificador De
Ondas Cerebrales Y Un Robot Móvil. Revista de Aplicaciones de la
Ingeniería 2016

Artículo
Figura 3 Representación gráfica de la señal adquirida por
cada sensor (HERNÁNDEZ, 2015)
Pruebas realizadas
Para probar la eficiencia de nuestro Sistema
BCI se realizaron dos bloques de pruebas el
primero era para analizar los resultados
obtenidos por medio de las características de la
media y la desviación estándar, el segundo
bloque para analizar las características de la
movilidad y la complejidad. Para cada bloque
se realizaron 3 series de 250 pruebas para cada
valor propuesto de K (K=3, K= 5, K=9, K = 13,
K=17, K=25, K=30), se realizaron 5250
pruebas para cada bloque, es decir, se realizaron
750 pruebas para cada valor de K en ambos
bloques, Obteniendo teniendo la eficacia que es
el promedio de los resultados de cada serie (250
pruebas para cada K) mostrada en porcentaje.
Tiempo promedio por acción de un conjunto de 60
datos en una red local
Izquierda Derecha Arriba Abajo
1.2475 1.3025 1.2565 1.2565
Tabla 2 Promedios de tiempos obtenidos de un conjunto
de experimentos realizados en la teleoperación en una red
local
ISSN-2410-3454
ECORFAN® Todos los derechos reservados
112
Revista de Aplicaciones de la Ingenieria
Diciembre 2016 Vol.3 No.9 109-116
Al realizar los experimentos se aprecia una
eficiencia promedio del 97.2 %.
Pruebas realizadas en tiempo real
Los resultados más recientes fueron
favorables, un punto clave para obtener un
conjunto de datos efectivos del entrenamiento
es el cómo se le maneja al sujeto de prueba el
panorama de cómo debe de interactuar con el
sistema al momento de ver el símbolo o palabra
en la pantalla.
La forma en como se le manejo fue
expresando que sintiera la sensación de querer
realizar la acción que se le presentaba en
pantalla, que, si sentía la necesidad de girar su
cuerpo o mover sus extremidades, lo podía
hacer, que no se limitara en sus sensaciones,
que imaginara la acción; de esta manera el
sistema podrá adquirir la información necesaria
para que el clasificador de ondas neuronales
pueda arrojar una mejor efectividad en el
conjunto de entrenamiento.
Al realizar el experimento en tiempo
real en red local (es decir sin utilizar la VPN)
tratando de sentir la sensación de la acción
requerida, se realizó la medida por acción:
arriba, izquierda, derecha y abajo. Para el medir
en tiempo real de la clasificación de ondas
cerebrales usando una VPN, solo se utilizó la
acción de mover izquierda.
JUÁREZ-Moreno, Iván, MARÍN-URÍAS, Luis, VÁZQUEZ-
SANTACRUZ, J. Alejandro y VIGUERAS-ZÚÑIGA, Marco.
Interface De Comunicación Remota Entre Un Sistema Clasificador De
Ondas Cerebrales Y Un Robot Móvil. Revista de Aplicaciones de la
Ingeniería 2016

Artículo
Obteniendo los resultados de los
tiempos adquiridos del sujeto para la acción
“izquierda” el tiempo que tardaría en ejecutarse
la acción teleoperada desde el que sujeto la
siente y se envía atreves de la interfaz neuronal
y la clasifica el sistema y se ejecuta en el robot
seria en un promedio de 1.08 segundos en una
red local.
Para el caso de la misma actividad en
una red con enlace VPN (atreves de internet)
en promedio tardaría en ejecutarse la acción
1.315 segundos lo que daría una diferencia de
0.23 segundos entre una red local y una
VPN.
Tiempo promedio por acción de un
conjunto de 20 datos
Izquierda
1.315
Tabla 3 Promedio de tiempo obtenidos de un conjunto
de experimentos realizados en una teleoperación con
VPN
Resultados
De acuerdo a las pruebas realizadas el tiempo
promedio para teleoperar el robot móvil en una
red local es bastante eficiente al igual que en
una VPN (Véase la tabla 2 y 3).
Comprobación de hipótesis
La hipótesis planteada para este trabajo fue:
Es posible teleoperar con intenciones de
movimiento para desempeñar un trabajo con un
robot móvil.
ISSN-2410-3454
ECORFAN® Todos los derechos reservados
113
Revista de Aplicaciones de la Ingenieria
Diciembre 2016 Vol.3 No.9 109-116
La hipótesis es aceptada ya que el
trabajo que se muestra con el uso del
“clasificador neuronal” y las mejoras realizadas
las cuales dan un 98 % de efectividad, así como
la implementación de la VPN la cual ofrece un
70 % de eficiencia en la teleoperación.
Conclusiones
Con el uso del sistema clasificador neuronal se
observan que existen muchas variables a
contemplar, las cuales reducen el desempeño de
la adquisición del conjunto de entrenamiento y
la teleoperación del robot móvil.
Las variables observadas que degradan
la adquisición de datos durante el proceso de
entrenamiento son:
- Estado de animo de la persona
- Sensación de hambre
- Sensación de sueño
- Uso de medicamentos o estupefacientes
- Uso de substancias para el cabello como:
gel, cera modeladora, crema modeladora,
etc.
- Elementos distractores del entorno como: tv,
música, ruido excesivo en el entorno,
aglomeración de personas, uso de
dispositivos móviles
- Batería baja del dispositivo neuronal
- Distancias mayores a un metro entre la
diadema neuronal y su dispositivo receptor
JUÁREZ-Moreno, Iván, MARÍN-URÍAS, Luis, VÁZQUEZ-
SANTACRUZ, J. Alejandro y VIGUERAS-ZÚÑIGA, Marco.
Interface De Comunicación Remota Entre Un Sistema Clasificador De
Ondas Cerebrales Y Un Robot Móvil. Revista de Aplicaciones de la
Ingeniería 2016
 114
Artículo Revista de Aplicaciones de la Ingenieria
Diciembre 2016 Vol.3 No.9 109-116

Estos factores provocan que los datos Discusiones

adquiridos durante el entrenamiento contengan
demasiado ruido por lo cual no se puede Teniendo en cuenta la extracción de
obtener el resultado deseado y por tal motivo se características donde el conjunto de
tenga que repetir el experimento. entrenamiento donde la media y desviación
estándar es de 0.0000903 segundos
Teniendo en cuenta lo anterior se puede aproximadamente contra 0.0001855 segundos
concluir que para una buena adquisición de que se demora la característica de movilidad y
conjuntos de datos de entrenamiento es complejidad. La efectividad del conjunto de
necesario estar bajo un ambiente controlado. características de la media es de 98.4 % cuando
el número de vecinos es de 3 y la efectividad
Por otra parte, se observó que la forma con el mismo número de vecinos. Agregando
de presentar en pantalla y decir verbalmente las que los tiempos de teleoperación local estiman
indicaciones influye demasiado en la parte un promedio de 1.04 segundos y los de
emocional del sujeto, es decir, la forma teleoperación por VPN son de 1.135 segundos.
planteada es, explicando que debe de sentir la
necesidad y la intención de la acción que se Se justifica la teleoperación de un robot
indica en pantalla la cual es fácil de expresar. móvil con el sistema clasificador neuronal y el
Con esto se incrementa el nivel de eficiencia en uso del software libre.
la adquisición de datos.
Framework
Teniendo un conjunto de entrenamiento
eficiente, la teleoperación del robot móvil de
forma local lleva un alto porcentaje de éxito,
siempre y cuando el sujeto tenga el cuero
cabelludo y cabello limpio de aislantes (gel,
cera modeladora, etc.), para la teleoperación a
distancia mediante una VPN la única su
requisito máximo es el performance de la
infraestructura y la velocidad que ofrezca el
proveedor de internet.

De esta forma se puede concluir que el

sistema clasificador neuronal utilizado para la
telecomunicación mediante una VPN es viable.

Figura 4 Framework del sistema clasificador de ondas

cerebrales para la teleoperación de un robot móvil por
medio de una VPN

JUÁREZ-Moreno, Iván, MARÍN-URÍAS, Luis, VÁZQUEZ-

ISSN-2410-3454 SANTACRUZ, J. Alejandro y VIGUERAS-ZÚÑIGA, Marco.
ECORFAN® Todos los derechos reservados Interface De Comunicación Remota Entre Un Sistema Clasificador De
Ondas Cerebrales Y Un Robot Móvil. Revista de Aplicaciones de la
Ingeniería 2016
 115
Artículo Revista de Aplicaciones de la Ingenieria
Diciembre 2016 Vol.3 No.9 109-116

Referencias HERNÁNDEZ, I. F. (2015). Sistema

clasificador para ondas cerebrales de acciones
blogthinkbig. (2014). ¿Qué es un VPN y por
simples para la interacción con robots.
qué deberías usarlo?
Veracruz.
http://blogthinkbig.com/que-es-un-vpn/.
IDR. (2012). Definicion de robot.
C. Monserrat, O. L. (2002). GeRTiSS:
http://www.idr.mx/idr7374/index.php/nuestrosc
SIMULADOR QUIRÚRGICO VIRTUAL PARA
ursos2/40-conceptoscategoria/32-robot.
EL ENTRENAMIENTO EN CIRUGÍAS
MÍNIMAMENTE INVASIVAS. Valencia Spain: INEGI. (2010). Censo de personas
http://www.conganat.org/seis/informed02/INF discapacitadas. Mexico:
ORMED2002_monserratc.pdf. http://www.inegi.org.mx/.

Correa, A. C. (2005). SISTEMAS ROBOTICOS Ing. Romano, J. I. (2013). Introducción a la

TELEOPERADOS. Bogotá D.C Colombia: digitalización de bioseñales. Argentina:
http://www.umng.edu.co/documents/63968/747 http://uea2013.frbb.utn.edu.ar/wp-
91/r15_05.pdf. content/uploads/S9_3.pdf.

emotiv. (2013). Emotiv EPOC. KnnClassification. (2015). Obtenido de

http://emotiv.com/forums/forum/emotiv_main_ KnnClassification.
forum/emotiv_epoc/. https://upload.wikimedia.org/wikipedia/commo
ns/e/e7/KnnClassification.svg.
Esquer, M. J. (2012). Interfaces de
comunicación serie. Baja California: MARTÍNEZ, J. F. (2010). Bioseñales.
http://yori.mxl.uabc.mx/wp- Veracruz: http://ocw.uv.es/ingenieria-y-
content/uploads/downloads/2012/04/SerialPerip arquitectura/1-5/ib_material/IB_T2_OCW.pdf.
herals.pdf.
Martínez, J. G. (2013). Los sistemas de interfaz
Fundación Wikimedia, I. (2016). Historia de cerebro-computadora: una herramienta para
Internet. apoyar la rehabilitación de pacientes con
https://es.wikipedia.org/wiki/Historia_de_Intern discapacidad motora. Ciudad de México, D.F.:
et. www.medigraphic.com.

González, V. R. (2002). Introducción a la NAKAYAMA, K. (2007). A Brain Computer

Robótica. Interface Based on FFT and Multilayer Neural
http://platea.pntic.mec.es/vgonzale/cyr_0204/ctr Network - Feature Extraction and
l_rob/robotica/intro.htm. Generalization.

openVPN. (2014). openVPN.

https://openvpn.net/.

JUÁREZ-Moreno, Iván, MARÍN-URÍAS, Luis, VÁZQUEZ-

ISSN-2410-3454 SANTACRUZ, J. Alejandro y VIGUERAS-ZÚÑIGA, Marco.
ECORFAN® Todos los derechos reservados Interface De Comunicación Remota Entre Un Sistema Clasificador De
Ondas Cerebrales Y Un Robot Móvil. Revista de Aplicaciones de la
Ingeniería 2016
 116
Artículo Revista de Aplicaciones de la Ingenieria
Diciembre 2016 Vol.3 No.9 109-116

Pitts, W. S. (1943). A logical calculus of the

ideas immanent in nervous activity.

ROS. (2013). Robust Navigation in an Indoor

Office Environment.
http://wiki.ros.org/Papers/ICRA2010_Marder-
Eppstein?

ROS. (2013). ROS Indigo. http://www.ros.org/.

slsmk. (2014). Installing OpenVPN on Ubuntu

Server 12.04 or 14.04 using TAP.
http://www.slsmk.com/getting-started-with-
openvpn/installing-openvpn-on-ubuntu-server-
12-04-or-14-04-using-tap/.

T.B., S. (1993). Space Teleoperation through

Time Delay: Review and Prognosis.

ubuntu. (2016). Assign static IPs to your VPN

clients. http://www.ubuntu-
howtodoit.com/?p=39.

ubuntu. (2016). OpenVPN as a virtual machine

in VMware. http://www.ubuntu-
howtodoit.com/?p=103.

ubuntu. (2016). Web Interface for OpenVPN.

http://www.ubuntu-howtodoit.com/.

wikipedia. (2002). The Open-Source VPN.

https://es.wikipedia.org/wiki/OpenVPN.

JUÁREZ-Moreno, Iván, MARÍN-URÍAS, Luis, VÁZQUEZ-

ISSN-2410-3454 SANTACRUZ, J. Alejandro y VIGUERAS-ZÚÑIGA, Marco.
ECORFAN® Todos los derechos reservados Interface De Comunicación Remota Entre Un Sistema Clasificador De
Ondas Cerebrales Y Un Robot Móvil. Revista de Aplicaciones de la
Ingeniería 2016